郭一璞 整理编辑自 李开复演讲
量子位 报道 | 公众号 QbitAI
今天，创新工场的传统项目人工智能训练营DeeCamp开营了。
从2017年开始，这已经是DeeCamp的第四年了。
这一次DeeCamp的形式有些特别，200余名来自MIT、CMU、清华、北大、北航、中国科学院大学等高校的同学在线上汇集，远程学习协作，通过暑期学习后在医疗、教育、自动驾驶等赛道做出可落地的AI项目Demo。
每届的开营仪式上，都有一个保留项目：
李开复教你如何步入产业界
AI领域变化迅速，开复老师会针对当时的情况和未来的大趋势，告诉仍在读书的同学们，产业界有哪些机会，如何进入产业界创造价值，如何找到创业机会。
那么今年开复老师又分享了哪些思考和洞察，给出了什么样的建议？
我们一起看一下。
中国如何崛起成为AI超级大国？
中国AI的发展速度肉眼可见，从论文质量和数量到企业落地成果都在飞速成长。
李开复认为，中国AI崛起的原因在6点：
虽然中国没有图灵奖级别的大师，但是有大批优秀的年轻AI工程师。
而且，AI是在互联网应用上打响的第一炮，最牛的互联网公司都在中美，这些互联网公司有海量数据可以做AI，因此，互联网公司做AI是最低垂、最容易够到的果实。
在此基础之上，中国创业者更拼搏。美国的创业者更绅士，竞争不激烈，喜欢各做各的、开辟新领域；但在中国创业是赢家通吃的状况，这也是美团能到千亿市值的原因，赢家通吃之后，就可以做成就有壁垒的业务，也有大量数据支持。
而且，中国创业者从借鉴海外模式到本土创新，现在产品已经走向全世界。快手、拼多多、Vipkid、今日头条、蚂蚁金服这些产品都是中国创业者自己创造的模式，而现在，这些模式开始走向世界了。
这些走向世界的APP成功之后，就会产生海量数据，有了数据就能把AI做的更好。
“如果每个AI都需要一个Geoffrey Hinton来调参数，那中国肯定做不过美国加拿大，但中国有海量数据。”李开复说，“中国数据丰富，就是AI领域的OPEC。”
此外，中国的政策大力推动AI发展，投入基础设施建设。即使是腾讯这样的大公司也不可能帮整个世界建设5G和云，但政府可以帮助提升，这是中国互联网新应用发展的沃土。
比如说，快手就是从四五线城市走出来的，但在美国不可能出现快手这样的产品，因为美国中西部城市的网络非常差劲。
再比如自动驾驶方面，美国的策略是不改变道路，中国则为无人驾驶打造新的公路，新基建的赋能提升安全度，保证安全度足够让无人车上路，进而累计新的数据，让整个技术迭代的链条滚动下去。
因此，李开复预测，未来AI的各个领域中国公司会有相当大的发展空间。
现在是落地的时代
李开复认为，AI已经从少数精英的“发明期”走向遍地开花的“应用期”。
这一变革的临界点是深度学习。
深度学习打破了从“不可用”到“可用”的界限，把人工智能推进应用期。
此后的Transformer、强化学习、迁移学习、GAN等技术虽然有很大的贡献，但不会像深度学习一样有如此革命性的进展。
而在未来，还会有很多新技术被发明，但是它们可能很难超越深度学习对产业和社会造成的影响力。
在AI的发明期，一个技术会有三五年的优势，比如最早的CNN从发明到商业化耗时30年。
但在AI的应用期，新技术出来两年后就遍地开花了，比如Transformer从发明到大规模商用仅用了2年。
发明期带来了红利，创造了很多成功创业家，比如旷视的印奇、地平线的余凯等等。
但在现在的应用期，我们很难期待只凭一个新技术，就能创造一个旷视商汤，更要看重具体的商业价值。
在应用期，AI最大的机会是帮助传统行业提升，比如一家几千亿收入的传统公司，用上了AI，如果能提升1%的收入，那就是巨大的价值。
早期AI专家有很大稀缺性，但现在不同。今天AI的壁垒在下降，但产业的壁垒还是很高的，更需要学AI的人去了解商业，了解怎么赚钱。
早期，商汤旷视借一个人脸识别技术，就颠覆了很多安防公司。
但目前在很多不同的行业里，这些行业中的管理者和工程师学会运用AI的难度，要远远低于懂AI的人学会他们的行业然后颠覆他们的几率。
李开复认为，可能在制药领域还有这样颠覆性的机会，但在大部分行业，不会有如此稀缺性的机会，让少数几个AI专家单凭技术就能颠覆行业。
落地时代，如何选择商业模式
李开复认为，AI赋能传统行业的过程，是从单一环节逐渐到整个流程，在逐渐重构整个行业规则的。
比如，加工制造业中，用计算机视觉完成服装自动质检；零售行业中，借助计算机视觉技术，手机扫一扫就能快速完成门店陈列检查；在生产线上，完成电机零件组装；在教育场景下，AI辅助老师出题、改卷子，让老师有更多的时间精力教孩子学习方法和做人的道理。
这些，都是在单一环节降本提效、优化赋能。
单一环节的AI引用多了之后，就会在流程上取得更多更多的机会。
比如借助RPA（机器人流程自动化）的方式，在电脑上工作的白领，有许多流程化、固定化的操作和内容，不需要动用太多智力的点选、保存、输入、扫描等工作流程都可以自动化，交给RPA进行。
最后，还可能重构整个行业的规则。
比如在医疗行业，AI可以研发新药小分子，帮人们找到能够治疗某种疾病的药品化学分子结构；也可以靠大数据来优化供应链，解决农村缺医少药的问题。
学者和创业者，思维模式不同
李开复讲到，学校教育是为了让学生成为一个学术界的科学家，“让你成为你的老师”。
但进入创业界，则需要一个完全不同的思维。
李开复认为，在AI赋能的时代，本质上做的是To B的生意，科学家型创始人也需要理解商业。
除了科研之外，科学家型创始人还需要做行业探索、市场开拓、把技术产品化和市场化的过程。
而现在，AI技术相对成熟，成熟的软件框架、硬件、人才培养机制，让AI产品化的门槛非常低。
如何理解不同时期如何做商业？
开复老师举了不同时期AI企业的几个例子：
2011年成立的旷视，处在AI的发明期，聚拢了一大群清华姚班的人才，可以从游戏开始，花三年探索商业模式。
到了2017年，这一年成立的创新工场子公司创新奇智，则是直接开始做商业落地。创始团队6位高管中，四位是商业背景出身，两位是技术背景出身。这家公司在创立第三年的收入已经超过了8亿RMB，即将成为创新工场投出的第6家独角兽。
此外，还有一家教育公司「河小象」，用AI教孩子写字，教育行业的核心是优质的内容，AI技术是它的底层支撑。
此外，也有一些不太成功的例子。
比如有一大批医疗影像读片公司，创始人都是技术出身，但他们不懂医院如何运转、如何采购，找不到商业模式。
还有教育公司做了非常复杂的实体AI机器人，机器人老师可以在黑板上写字，可以和孩子交流。但这样的机器人老师缺乏市场需求，不如直接做一个卡通形象老师，借助屏幕和孩子交流。
而且，李开复还强调AI赋能产业的定制化，“不要觉得具体功能很low，一开始就做平台不是那么容易的。”
年轻AI技术人如何做选择
了解这些基础知识之后，面临毕业的AI专业学生要如何做选择呢？
如果投身产业界，做AI赋能的话，有三个机会：
一是自己创业，学术研究者的商业经验不足，加入一家创业公司是最好的方向，但是要把顾客当做上帝，先考虑行业需求再考虑做多酷的AI。
二是加入传统公司，最适合的是金融公司，因为互联网公司自己都会做AI，而金融公司数据丰富，目标函数和指标很明确，并且金融公司重视科技人才。
三是加入咨询公司，因为一些非常传统的公司、家族企业，他们的文化大部分科研人员很难适应，但麦肯锡这一类的咨询公司，就可以帮助这些传统公司做AI转型。
如何不完全进入产业界，留在学术圈的话，也有三个方向：
一是可以专注AI理论研究，发明不考虑商业应用的新技术，就像Geoffrey Hinton一样，等待AI认知方向的新突破。
二是先创业，创业成功之后再回学校做研究，像普林斯顿的李凯教授一样。
三是像李飞飞一样，立足于学术界，做兼职参与谷歌的AI。
“
